本文主要研究超分辨率图像重建算法中的结构相似性及其应用.图像重建是计算机视觉领域的重要研究内容,其主要目标是重建退化图像或填充丢失的图像信息.在计算机技术高度发达的今天,数字图像作为一种普遍的信息载体,在应用方面对其质量有着较高的要求.超分辨率图像重建已发展成为吸引众多研究学者的热点课题之一,尤其在医学图像、遥感图像和监控图像等领域发挥至关重要的作用.本文对超分辨图像重建算法进行综述,在目前已有的算法理论基础上,研究并建立新的利用结构相似特征的算法模型,并针对自然图像进行了一系列的实验.主要工作包括以下几个方面:1.将聚类算法和回归模型引入到基于稀疏表示的超分辨率图像重建算法模型中.在自然图像存在许多相似结构的事实基础上,从训练样本对的低分辨率补丁块上用一个搜索窗口提取局部特征,对这些局部特征应用K均值聚类(K-means)算法进行聚类,按照局部特征的聚类标签对最初提取的原始训练样本进行划分,构成新的训练集,针对新的训练集分别训练字典,从而抽取了多层次的图像特征.然后建立基于局部结构相似的回归模型,并对模型求解得出对应的映射关系.最终实现对退化图像的超分辨率重建,并通过实验验证模型的效果.2.将单通道的重建模型推广到多通道.在利用聚类算法提取图像的结构相似信息的同时,引入图像的色度信息,即针对彩色图像直接在RGB通道中提取特征,加入多通道约束条件以保证图像重建过程中更少的信息损失和更精确的细节和纹理重建.另外,综合聚类、协同表示和回归三种算法的优点,并且借鉴神经网络的思想建立了多层重建结构,利用逐步递进的低分辨率到高分辨率的映射关系,对单次的超分辨率重建结果进行进一步的优化和提高.3.利用两个独立的深度卷积网络分别提取低分辨率图像和高分辨率图像的非设计特征,通过探索两者之间的线性映射关系将特征提取网络进行连接.然后借助残差网络对特征提取网络的输出进行增强,再构建多尺度的自相似训练集,应用微分算子提取特征并学习包含自样本的残差网络的输出与高分辨率图像之间的关系,最终较好地实现超分辨率图像重建.最后,本文对超分辨率图像重建算法未来的研究方向和面临的挑战做了阐述和分析.